買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜東南大學申請的專利基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114913390B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-01發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210486378.1，技術(shù)領(lǐng)域涉及：G06V10/774；該發(fā)明授權(quán)基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法是由楊綠溪;李林育;張征明;李春國;黃永明設(shè)計研發(fā)完成，并于2022-05-06向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法在說明書摘要公布了：本發(fā)明公開了一種基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法，包括以下步驟，建立個性化聯(lián)邦學習pFedMe模型；建立條件GAN模型，進而將其以個性化聯(lián)邦學習的方式加入到pFdeMe模型中，得到基于條件GAN的pFedMe模型；獲取CIFAR10數(shù)據(jù)集，并通過上述基于條件GAN的pFedMe模型，實現(xiàn)數(shù)據(jù)增廣；得到基于條件GAN的數(shù)據(jù)增廣方法在測試集上的準確率。通過本發(fā)明可以獲取條件GAN有效提升個性化聯(lián)邦學習性能的方式，對于使用條件GAN對模型進行數(shù)據(jù)增廣具有實際價值。

本發(fā)明授權(quán)基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法在權(quán)利要求書中公布了：1.基于條件GAN的數(shù)據(jù)增廣改善個性化聯(lián)邦學習性能方法，其特征在于：包括以下步驟，步驟1，建立用于個性化聯(lián)邦學習的pFedMe模型；步驟2，將條件GAN模型按個性化聯(lián)邦學習的方式加入到步驟1的pFedMe模型中；步驟3，獲取CIFAR10數(shù)據(jù)集的訓練集，將其通過步驟2中的基于條件GAN的pFedMe模型進行訓練；步驟4，將CIFAR10數(shù)據(jù)集的測試集分別在未使用數(shù)據(jù)增廣方法的原始pFedMe模型，即步驟1中的pFedMe模型，通過重復(fù)采樣增廣數(shù)據(jù)訓練的模型和步驟3中的所提數(shù)據(jù)增廣訓練的pFedMe模型進行性能的對比分析；所述步驟1還包括以下步驟，步驟1-1，在傳統(tǒng)的聯(lián)邦學習中，有N個客戶端與一個服務(wù)器通信，以解決以下問題： 來找到一個全局模型ω；函數(shù)fi：表示客戶端i數(shù)據(jù)分布的期望損失函數(shù)： 其中，ξi是根據(jù)客戶端i的分布抽取的隨機數(shù)據(jù)樣本，而是該樣本和ω對應(yīng)的損失函數(shù)；在聯(lián)邦學習中，客戶端具有非獨立、非同分布的數(shù)據(jù)分布，即ξi和ξj的分布是不同的，其中j≠i；步驟1-2，在所考慮的聯(lián)邦學習個性化問題中，優(yōu)化目標并非獲得上述步驟1-1中問題的最優(yōu)解，而是希望能為具有不同數(shù)據(jù)分布的用戶提供一個特定的模型；為此對每個客戶端使用帶有l(wèi)2范數(shù)的正則化損失函數(shù)，如下所示： 其中，θi表示客戶端i的個性化模型，λ是控制ω對個性化模型的強度的正則化參數(shù)；雖然λ取較大的值從豐富的數(shù)據(jù)聚合中使數(shù)據(jù)不可靠的客戶受益，但λ取較小的值幫助擁有足夠有用數(shù)據(jù)的客戶優(yōu)先個性化；注意λ∈0,∞以避免λ＝0，或λ＝∞的極端情況；上述正則化損失函數(shù)是讓客戶從不同的梯度方向約束自己的模型，同時保證用戶本地的模型不會遠離全局“參考點”ω；基于此，個性化的聯(lián)邦學習的優(yōu)化目標寫為如下雙層優(yōu)化問題： 其中在pFedMe中，雖然全局模型ω是通過在外層利用來自多個客戶端的數(shù)據(jù)聚合來找到的，但θi相對于客戶端i的數(shù)據(jù)分布進行了優(yōu)化，并在內(nèi)部保持了與ω的有界距離；Fiω的定義是優(yōu)化領(lǐng)域廣泛采用的Moreau信封方法，它有助于多種學習算法設(shè)計；最優(yōu)個性化模型是pFedMe內(nèi)部問題的最佳解決方案，定義如下： 步驟1-3，類似于FedAvg的傳統(tǒng)聯(lián)邦學習算法，在每個通信回合t，服務(wù)器向所有客戶端廣播最新的全局模型ωt；然后，在所有客戶端執(zhí)行R次本地更新后，服務(wù)器將從客戶端的均勻采樣子集St中接收最新的本地模型進行模型平均；在內(nèi)層優(yōu)化中，每個客戶端i求解步驟1-2中的最優(yōu)個性化問題以獲得其個性化模型其中，表示客戶端i在全局回合t和本地回合r的本地模型；本地模型的目的是有助于構(gòu)建一個全局模型，減少客戶端和服務(wù)器之間的通信次數(shù)；其次，在外層優(yōu)化中，客戶端i使用梯度下降的本地更新是關(guān)于Fi的，如下所示： 其中，η是學習率，根據(jù)使用當前的個性化模型來計算； 得的通常需要梯度然而，這需要ξi的分布；通過對小批量數(shù)據(jù)Ti進行采樣，使用如下對的無偏估計： 使得其次，使用一階迭代方法來獲得高精度的近似定義： 假設(shè)選擇λ使得損失函數(shù)是強凸的，然后應(yīng)用梯度下降來獲得以至于： 計算次數(shù)其中，d是搜索空間的直徑，v是準確度級別，Ο·是隱藏常數(shù)；進而通過控制使用小批量大小|T|采樣噪聲和準確度等級v來調(diào)整δ。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人東南大學，其通訊地址為：211189 江蘇省南京市江寧區(qū)東南大學路2號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。